基于动态自适应层叠网络的轻量化图像超分辨率重建

摘要：

轻量化超分辨率网络对安防监控、实时人脸识别等领域具有重要意义.然而,现有超分辨率重建网络以牺牲内存和计算成本为代价提高重建效果,从而限制其在实际场景中的应用.提出基于动态自适应层叠网络的轻量化超分辨率重建网络.利用双路残差块中的深度可分离卷积提取低频特征,并引入像素注意力机制获取更丰富的细节特征,以减少参数量并增强网络的重建能力.将双路残差块中的一部分卷积参数作为动态卷积核的子卷积,并与动态自适应模块共享,利用可学习参数调节共享卷积的权重,增强网络的非线性映射关系,充分提取图像的纹理细节信息.实验结果表明,相比VDSR、CARN、PAN等网络,该网络重建得到的图像纹理更接近原始图像,其参数量仅为传统轻量化网络CARN的1/2,在放大因子为4的Set5数据集上峰值信噪比相比CARN提高0.16 dB.

关键词：超分辨率重建、轻量化网络、动态自适应层叠网络、动态卷积、注意力机制、深度学习

所属期刊栏目：48

分类号：TP391(计算技术、计算机技术)

资助基金：国家自然科学基金;国家重点研发计划

在线出版日期：2022-12-15（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：196-202